Gemini Omni 1.2 Flash vs Qwen3.8-Omni-Flash: Kata "Omni" Menjalankan Dua Tugas

Perkiraan yang diterbitkan Alibaba sendiri menempatkan biaya membaca video 720p selama satu jam dengan Qwen3.8-Omni-Flash sekitar dua puluh sen. Harga daftar Google untuk satu jam video 720p yang dihasilkan dari Gemini Omni 1.2 Flash adalah $252. Kedua model disebut Omni. Keduanya menerima teks, gambar, audio, dan video. Yang satu membaca rekaman dan menjawab dalam teks; yang lain menulis rekaman dan menjawab dengan file. Kesenjangan harga di antara keduanya bukanlah sinyal kompetitif, karena keduanya tidak bersaing — itu adalah biaya memproduksi satu detik realitas versus biaya mendeskripsikannya.

Ini penting karena perbandingan terus dilakukan, dan hampir selalu dengan model yang salah di sisi Google. Setiap artikel "Qwen Omni versus Gemini" yang beredar — termasuk tabel benchmark yang diterbitkan Alibaba sendiri — mengukur Qwen3.8-Omni-Flash terhadap Gemini 3.8 Flash, sebuah model keluaran teks dengan $0,75 per juta token input. Itu adalah pesaing yang tepat. Gemini Omni 1.2 Flash, tersedia secara umum sejak 5 November 2026, adalah produk berbeda dengan tarif berbeda, dan tidak ada perbandingan langsung yang diterbitkan antara keduanya di mana pun.

Apa sebenarnya Qwen3.8-Omni-Flash itu

Tim Qwen milik Alibaba merilisnya pada 18 September 2026 sebagai penerus Qwen3.5-Omni-Plus, yang dibangun di atas arsitektur Qwen3.8-Flash-Next. Hal pertama yang perlu diluruskan adalah modalitas keluaran, karena namanya mengundang asumsi yang keliru: model ini menghasilkan teks dan hanya teks. Model ini tidak menghasilkan video, dan tidak seperti pendahulunya, juga tidak menghasilkan ucapan. Segala sifat omni pada model ini ada di sisi masukan.

Di sisi itu, kemampuannya luar biasa. Jendela konteksnya satu juta token, dengan sekitar 991.000 tersedia untuk input dan 131.000 untuk output. Satu panggilan dapat menangani video berdurasi satu jam secara terus-menerus. Model ini mendukung stereo dua kanal dan audio spasial empat kanal, yang menjadi trik andalan Qwen — melokalisasi sumber suara di dalam ruangan dan menunjuk ke arahnya, kemampuan yang sudah lama dinantikan tim robotika atau analitik rapat. Pengenalan ucapan mencakup 74 bahasa plus 39 dialek Tionghoa; sintesis ucapan mencakup 29 bahasa pada model saudaranya. Ada varian realtime, Qwen3.8-Omni-Flash-Realtime, yang berjalan melalui WebSocket atau WebRTC dengan output suara dan 56 pilihan suara pada konteks 192K.

Harganya adalah bagian yang agresif: $0.15 per juta token masukan, $0.47 per juta token keluaran, dan $0.016 per juta untuk masukan yang di-cache. Bobotnya tertutup. Hanya tersedia melalui API, melalui Alibaba Cloud Model Studio dan endpoint Qwen sendiri, kompatibel dengan OpenAI, di enam wilayah.

Apa sebenarnya Gemini Omni 1.2 Flash itu

Model Google bekerja sebaliknya. Teks, gambar, audio, dan video masuk; keluar video tiga hingga lima belas detik dengan audio tersinkronisasi, dalam kelipatan satu detik, pada rasio 16:9 atau 9:16. Anda dapat membuat draf pada 360p atau 720p lalu meningkatkan resolusinya ke 1080p atau 4K. Sebuah permintaan dapat membawa hingga enam gambar referensi, klip gerak hingga tiga detik, dan isyarat audio, serta pengeditan multi-putaran memungkinkan Anda menukar produk, mengubah cuaca, atau membingkai ulang bidikan tanpa membuat ulang keseluruhannya. Ekstensi menambahkan tiga hingga sepuluh detik per putaran hingga batas maksimum 30 detik. Semuanya diberi tanda air dengan SynthID.

Rilis 1.2 adalah pemangkasan harga sekaligus rilis kemampuan: output video turun dari $17,50 menjadi $12,00 per juta token, sekitar $0,07 per detik untuk 720p, penurunan 30%. Input teks tetap $1,50 per juta dan output teks $9,00 per juta. Batas laju tingkat berbayar digandakan pada hari yang sama. Google tidak menerbitkan skor benchmark apa pun bersama rilis ini — hanya klaim kualitatif tentang kepatuhan terhadap referensi, sinkronisasi bibir, dan kesinambungan kamera.

Tiga jebakan biaya yang hanya muncul saat Anda menjalankan keduanya

Anggaran penalaran ditagihkan sebagai output. Qwen3.8-Omni-Flash secara default mengatur mode berpikirnya ke "xhigh", dengan anggaran penalaran hingga 262.000 token yang dikenakan tarif output. Satu permintaan yang berpikir keras tentang video panjang dapat memakan biaya sekitar $0,123 hanya untuk penalaran — lebih dari enam ratus kali lipat dari perkiraan pembacaan video, dan inilah alasan beberapa tim melaporkan model ini mahal padahal volume rekaman aktual mereka sangat kecil. Batasi anggaran berpikir sebelum Anda melakukan benchmark apa pun.

Angka video per jam adalah perkiraan vendor. Alibaba tidak menerbitkan tarif token per detik untuk ingesti video, sehingga angka "dua puluh sen per jam" tidak dapat diturunkan secara independen dari daftar harga. Tarif $0,15/$0,47 dapat diverifikasi; konversi per jam adalah aritmetika Qwen, dan satu analisis yang telah diterbitkan sudah menandai klaim 98% lebih murah daripada Gemini sebagai tidak dapat diverifikasi justru karena alasan ini.

Biaya render berlipat ganda berdasarkan jumlah take, bukan berdasarkan jumlah deliverable. Klip lima belas detik berharga $1,05. Enam versi pendek menjadi $6,30 — tetapi tidak ada yang berhasil enam dari enam pada percobaan pertama. Dengan tiga kali percobaan per hasil yang dipakai, enam versi pendek yang sama memakan biaya $18,90, dan itulah angka yang masuk ke anggaran. Google juga membatasi urutan yang disambung maksimal 30 detik, jadi apa pun yang lebih panjang adalah proses generasi kedua, bukan perpanjangan.

Alur kerja yang telah diuji: tiga puluh menit masuk, enam klip keluar

Di sinilah kedua model mendapatkan tempatnya, dan di sinilah distribusi biaya bersifat kontraintuitif.

Baca master. Qwen3.8-Omni-Flash mengambil video sumber berdurasi 30 menit dan mengembalikan transkrip dengan giliran pembicara, teks di layar, daftar shot dengan kode waktu, dan daftar singkat momen ketika seseorang mengatakan sesuatu yang layak dikutip. Menurut perkiraan Alibaba, itu sekitar sepuluh sen untuk input. Tambahkan tahap berpikir untuk memilih enam momen terbaik dan Anda masih di bawah seperempat dolar — asalkan anggarannya dibatasi.

Render versi pendeknya. Enam klip lima belas detik dari Gemini Omni 1.2 Flash, masing-masing tiga take: $18.90. Gambar referensi produk menjaga kemasan tetap konsisten di keenam klip; isyarat audio menjaga dialog tetap jelas; pengeditan multi-turn memperbaiki dua klip yang melenceng.

Baca kembali outputnya. Enam klip yang sudah jadi dimasukkan kembali ke Qwen3.8-Omni-Flash untuk memastikan teks di layar terbaca, dialog sesuai naskah, dan sinkronisasi bibir tidak bergeser satu frame pun. Enam klip berarti sembilan puluh detik video. Biaya pembacaan dapat diabaikan; pemeriksaanlah yang membuat tagihan render bisa dipertanggungjawabkan.

Polanya bersifat umum: pada pasangan ini, analisis murah dan generasi mahal, sekitar dua hingga tiga orde magnitudo. Tim yang menganggarkan untuk kebalikannya — dengan mengasumsikan model "cerdas" pasti yang mahal — selalu kurang menyediakan jalur render dan kelebihan menyediakan jalur baca.

Catatan tolok ukur, dan angka-angka ini milik siapa

Semua yang diterbitkan tentang Qwen3.8-Omni-Flash berasal dari satu sumber: evaluasi Alibaba sendiri, yang dirilis sebagai makalah arXiv pada 22 September 2026. Dibandingkan Gemini 3.8 Flash, model ini menang di WildClawBench-MM 71,0 berbanding 58,9, SpotSoundBench 67,2 berbanding 39,7, dan diarisasi rapat dengan selisih yang sangat besar — tingkat kesalahan diarisasi 3,35 berbanding 72,6. Model ini kalah di OmniVideoBench 63,4 berbanding 65,2 dan AgenticVBench 36,8 berbanding 45,0. Tidak ada satu pun dari ini yang direproduksi secara independen, dan tidak ada satu pun yang melibatkan Gemini Omni 1.2 Flash, yang sama sekali tidak membaca video ke dalam jendela konteks.

Sisi pembukuan Google lebih kosong. Pengumuman Gemini Omni 1.2 Flash tidak memuat angka — tidak ada Elo, tidak ada tingkat kemenangan, tidak ada rangkaian tolok ukur. Perbandingannya bersifat kualitatif: pencocokan referensi yang lebih baik daripada 1.1, dialog yang lebih lancar, sinkronisasi bibir yang lebih jelas, lebih sedikit lompatan potongan. Rilis NVIDIA dan Alibaba setidaknya hadir dengan tabel; rilis Google hadir dengan kata sifat.

Jadi posisi jujur tentang "mana yang lebih baik" adalah bahwa pertanyaan itu tidak memiliki jawaban terukur dan tidak akan memilikinya sampai seseorang menjalankan keduanya pada tugas yang sama. Yang dapat dikatakan dengan yakin lebih sempit dan lebih berguna: angka-angka Qwen diperoleh terhadap model yang mengeluarkan teks dengan seperlima harga input, dan angka itu tidak akan berlaku untuk generator video, karena kedua sistem dinilai dengan instrumen yang sama sekali berbeda.

Di mana kedua vendor tersebut benar-benar tumpang tindih

Bukan pada modelnya. Pada kontrak perusahaan. Keduanya tertutup, keduanya hanya API, keduanya terkunci wilayah dengan cara yang penting — Alibaba melayani Beijing, Singapura, Hong Kong, Tokyo, Frankfurt, dan Virginia; fitur penyuntingan Google untuk video yang diunggah tidak tersedia di sebagian Eropa. Perusahaan media yang memilih vendor memilih perjanjian pemrosesan data dan yurisdiksi sama besarnya dengan memilih kemampuan.

Perlu juga dicatat apa yang tidak akan dilakukan keduanya. Qwen3.8-Omni-Flash tidak dapat menghasilkan frame, dan Omni 1.2 Flash milik Google tidak dapat menjawab pertanyaan tentang klip berdurasi sepuluh menit. Siapa pun yang mengonsolidasikan ke satu vendor untuk memangkas biaya overhead pengadaan akan mendapati bahwa konsolidasi itu menghilangkan satu kemampuan, ke arah mana pun mereka berkonsolidasi. Catatan migrasi dari Google menyampaikan hal yang sama dari sisi lain: mulai 3 Desember 2026, permintaan ke gemini-omni-1.1-flash dijawab oleh 1.2 dengan harga 1.2, tanpa perubahan kode — sebuah pengingat bahwa endpoint tertutup bergerak sesuai jadwal vendor, bukan jadwal Anda.

Apa yang dicakup OrcaRouter, dan apa yang tidak.

Tidak satu pun dari kedua model ini ada di OrcaRouter, dan tulisan ini tidak akan berpura-pura sebaliknya. Yang ada di platform adalah kapasitas yang berdekatan untuk membangun pipeline di atas tanpa kontrak kedua dan ketiga.

Sisi baca ditangani oleh Qwen3.8 Flash: teks, gambar, dan video masuk, teks keluar, konteks satu juta token, analisis video panjang, ditagih $0,15 per juta input dan $0,47 per juta output — harga yang sama dan profil yang sama dengan varian Omni, tanpa fitur audio spasial. Sisi render ditangani oleh Kling 3.0 Omni dengan $0,084 per permintaan untuk teks-ke-video dan gambar-ke-video dengan klip 3–15 detik. Keduanya berada di balik satu kunci, yang berarti fan-out yang mengirim sumber yang sama ke pembaca dan penulis adalah aturan perutean, bukan proyek integrasi; failover otomatis berarti gangguan penyedia tidak menghentikan kampanye di tengah render; dan markup 0% adalah pass-through langsung dari harga daftar penyedia, jadi saat vendor mengubah tarif, angka di sisi kami ikut berubah.

Bagaimana cara memutuskan dalam sepuluh menit ke depan

Jika masalah Anda adalah memiliki rekaman tetapi tidak punya cara untuk mencarinya, memberi subtitel, atau menemukan momen ketika pembicara menyebutkan harga — belilah sisi Qwen. Batasi anggaran berpikir terlebih dahulu, dan ukur laju ingest nyata Anda alih-alih mempercayai perkiraan per jam.

Jika masalah Anda adalah Anda punya foto produk dan tenggat waktu tetapi tidak punya kru kamera, belilah sisi Google, dan anggarkan tiga kali pengambilan untuk setiap hasil yang layak dipakai, bukan satu.

Jika Anda memiliki kedua masalah tersebut, yang justru dialami sebagian besar tim, berhentilah mencari pemenang. Dua model yang disebutkan di paragraf pertama artikel ini tidak akan pernah muncul dalam tabel benchmark yang sama, karena salah satunya menghasilkan file dan yang lainnya menghasilkan paragraf tentang file tersebut. Satu-satunya angka yang menghubungkan keduanya adalah angka yang tidak dipublikasikan siapa pun: berapa jam video yang dibaca organisasi Anda untuk setiap jam video yang dibuatnya.